Perpustakaan Digital ITB

Gas metana merupakan risiko keselamatan utama pada tambang batubara bawah tanah metode longwall, terutama pada goaf yang sulit diakses dan dipasangi sensor. Simulasi Computational Fluid Dynamics (CFD) memberikan gambaran distribusi gas secara rinci, namun memerlukan waktu komputasi lama sehingga kurang praktis untuk evaluasi cepat pada banyak variasi operasional. Penelitian ini mengembangkan model Physics-Informed Neural Network (PINN) untuk memprediksi distribusi konsentrasi gas metana dan medan aliran udara pada goaf, mengevaluasi akurasinya terhadap CFD, menguji kontribusi persamaan fisika melalui studi ablasi, serta membangun perangkat prediksi interaktif sebagai alternatif CFD. Model dilatih dari 9 skenario CFD (6 latih, 3 uji) hasil variasi laju injeksi metana dan kecepatan kipas ventilasi, menggunakan arsitektur Modified MLP dengan fitur Fourier, dua sub-jaringan pendukung, dan empat parameter fisis global, dengan persamaan kontinuitas, momentum (Navier-Stokes), dan adveksi–difusi disisipkan bertahap ke fungsi loss. Model berhasil dikembangkan dengan akurasi tinggi (R2log10 untuk fraksi metana pada ketiga skenario uji mencapai 0,978, 0,97, 0,942), dikonfirmasi visualisasi kontur yang sesuai CFD. Studi ablasi menunjukkan fisika menurunkan residual fisis, dengan peningkatan akurasi untuk fraksi metana bernilai +0,124 di goaf dan +0,064 secara global. Perangkat prediksi interaktif berhasil dibangun dan memprediksi kombinasi parameter pilihan pengguna yang tidak pernah disimulasikan CFD, menjadi alternatif yang jauh lebih cepat. Penelitian selanjutnya disarankan menguji skema pembobotan lain, memperluas model ke domain 3D, serta memvalidasi terhadap data sensor lapangan.